Function Calling、MCP 与 A2A 的区别与使用方式

原创已于 2025-04-19 18:57:33 修改 · 1.1k 阅读

13 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#人工智能

于 2025-04-19 18:48:29 首次发布

引言

本文主要讲一下AI 的三种关键技术以及三者之间的区别：Function Calling、模型上下文协议 (MCP) 和Agent To Agent(A2A) 通信。

想象一下，你有一个非常聪明的 AI 助手（比如一个大语言模型），但它本身只能聊天和生成文字，没法直接帮你查天气、订机票或者控制智能家居。为了让它更强大、能做更多事，就有了下面这些技术：

Function Calling (函数调用)

做什么的 (What):

让 AI 能够“请求”你（或者你的程序）去运行一些它自己本身干不了的外部功能。就像 AI 说：“我需要查一下明天北京的天气，你能帮我查一下吗？”

怎么做 (How):

Function Calling

你先定义好工具：你先准备好一些具体的“功能”（比如一个查询天气(城市) 的函数）。
告诉 AI 有哪些工具：你在和 AI 沟通时，明确告诉它：“我有这几个工具（函数）你可以用，它们分别是干什么用的，需要什么信息（参数）。”
AI 决定用哪个：当你给 AI 下指令时（比如“帮我查查明天北京天气怎么样？”），AI 会分析你的话，觉得需要用到查询天气这个功能，并且知道城市参数是“北京”。
AI 发出请求： AI 不会自己执行，而是会生成一个结构化的“请求”，告诉你：“请调用查询天气函数，参数是城市=‘北京’”。
你执行并返回结果：你的程序收到这个请求，真的去调用那个查询天气的代码，得到结果（比如“明天北京晴，15-25度”）。
把结果告诉 AI：你再把这个天气结果告诉 AI。
AI 整合回答： AI 拿到结果后，就能用更自然的语言回复你了：“北京明天天气不错，是晴天，温度在15到25度之间。”

为什么这样做 (Why):

扩展能力：让 AI 能连接现实世界，获取最新信息（天气、股价）、操作外部系统（订票、发邮件）、执行复杂计算等。
可靠可控： AI 只负责“决定”调用哪个函数和需要什么参数，实际的执行由你的代码完成，这样更安全、结果更准确。AI 不会胡乱执行代码（减少模型幻觉）。

MCP (Model-Controlled Planning）

做什么的 (What):

和 Function Calling 类似, 尽管 Function Calling 功能强大，但它在不同平台之间可能存在供应商特定的差异，并且可能缺乏一种标准化的方式供 AI 模型跨平台一致地访问外部上下文和工具。为了解决这个问题，模型上下文协议 (MCP) 应运而生。MCP 是一种开放协议，旨在标准化应用程序向 LLM 提供上下文的方式, 可以理解为 Function Calling 升级版

怎么做 (How):

MCP 采用客户端-服务器架构，其核心组件包括：

MCP 主机 (Hosts):
这是指需要访问外部数据和工具的 AI 应用程序，例如 Claude Desktop、集成开发环境（IDEs）或自定义 AI 代理。主机负责协调整个系统，并管理与 LLM 的交互。
MCP 客户端 (Clients):
客户端嵌入在主机应用程序内部，负责维护与 MCP 服务器的一对一连接，并处理底层的通信协议。它们的主要职责包括路由消息、发现服务器提供的功能以及管理连接的生命周期。
MCP 服务器 (Servers):
这些是轻量级的程序，通过标准化的 MCP 协议暴露特定的能力，例如工具、资源和提示。服务器充当 AI 应用程序与外部系统、数据源和 API 之间的中介。

为什么这样做 (Why):

MCP 的出现和发展是出于多方面的考虑，其核心目标在于解决当前 AI 应用发展中的一些关键痛点：

增强互操作性:
MCP 提供了一种标准化的方式来连接 AI 模型与工具和数据，从而显著降低了将不同的 LLMs 与各种外部系统集成的复杂性。
简化集成过程:
开发者可以基于一个标准的协议进行构建，而无需为每个数据源维护单独的连接器，从而节省了大量的时间和精力。
提高灵活性:
MCP 使得在不同的 AI 模型和供应商之间进行切换变得更加容易，从而避免了对特定供应商的锁定。
提升安全性和控制:
在与 AI 交互时，MCP 将数据保留在用户的基础设施内部，从而提供了对敏感信息更好的控制。用户同意和控制是 MCP 的关键原则。
增强可扩展性和模块化:
客户端-服务器架构促进了模块化设计，允许在不修改核心 AI 应用程序的情况下添加新的工具和数据源。

A2A (Agent-to-Agent Communication - 智能体间通信)

做什么的 (What):

让多个独立的 AI 智能体（Agent）能够互相沟通、协作，共同完成一个更大的目标。就像一个团队里，不同的人（AI）负责不同部分，需要互相交流信息和协调工作，可以理解为作为MCP的一个补充。

A2A

怎么做 (How):

设定角色和目标：你可能设计多个 AI 智能体，每个有不同的专长或任务。比如一个“研究员 AI”负责搜集信息，一个“作家 AI”负责整理成报告。
建立沟通机制：定义好这些 AI 之间如何“说话”（消息格式、通信协议）。
信息传递与协作：当需要协作时，一个 AI（比如“项目经理 AI”）会给另一个 AI（比如“研究员 AI”）发送指令或请求信息：“请帮我查一下关于‘人工智能最新进展’的资料。”
响应与反馈： “研究员 AI”收到请求后，可能会使用 Function Calling 去搜索，然后把找到的资料发回给“项目经理 AI”或者直接发给“作家 AI”。
共同完成任务：通过这种相互沟通和信息传递，整个 AI 团队最终完成报告的撰写。